直接空冷系统的背压预测模型构建方法、预测方法及装置制造方法及图纸

本发明专利技术涉及空冷发电技术领域，公开了直接空冷系统的背压预测模型构建方法、预测方法及装置。本发明专利技术获取目标直接空冷系统的目标参数的历史运行数据并进行预处理；采用基于字典学习的稀疏LS

【技术实现步骤摘要】
直接空冷系统的背压预测模型构建方法、预测方法及装置


[0001]本专利技术涉及空冷发电
，尤其涉及直接空冷系统的背压预测模型构建方法、预测方法及装置。

技术介绍

[0002]直接空冷火力发电厂的空冷系统通常采用空气作为凝汽器的冷却介质，而直接空冷是指直接由机械通风方式提供的空气来冷凝汽轮机排汽。当汽轮机低压缸的排汽压力（即汽轮机的背压）上升时，会导致相应机组的负荷降低。因此，若能合理地预测出背压，则有助于为运行人员提供准确的运行指导，及为背压优化控制策略提供有效的实时信息，从而有效提高直接空冷系统的性能和火电机组冷端的运行经济性。
[0003]现有技术中基于人工智能算法构建数据驱动的背压预测模型，通过该模型实现背压的预测。建立背压预测模型能够给操作人员提供准确且快捷的运行指导，但现有的研究中均未考虑到模型的时效性。直接空冷系统中汽轮机的背压容易受到运行工况及环境变化的影响，当新工况出现时，现有的背压预测模型容易出现较大误差。

技术实现思路

[0004]本专利技术提供了直接空冷系统的背压预测模型构建方法、预测方法及装置，解决了现有直接空冷系统的背压预测模型容易在运行工况及环境变化的影响下出现较大误差的技术问题。
[0005]本专利技术第一方面提供一种直接空冷系统的背压预测模型构建方法，包括：获取目标直接空冷系统的目标参数的历史运行数据；所述目标参数包括风机转速、环境温度、环境风速、环境风向、机组负荷、主蒸汽流量、主蒸汽压力、再热温度及大气压力；对所述历史运行数据进行预处理，得到预处理后数据；采用基于字典学习的稀疏LS
‑
SVR（最小二乘支持向量回归机）算法构建稀疏LS
‑
SVR模型；所述稀疏LS
‑
SVR模型以所述目标参数作为输入变量，并以所述目标直接空冷系统的背压作为输出变量；从所述预处理后数据中随机抽取部分数据作为训练样本对所述稀疏LS
‑
SVR模型进行训练，得到所述目标直接空冷系统的背压预测模型；基于所述背压预测模型确定所述训练样本的预测值，并计算所述训练样本的预测值和实际值之间的平均相对误差；在所述平均相对误差大于预置模型更新阈值时更新训练样本，并基于更新后的训练样本重新进行模型训练，以更新所述背压预测模型。
[0006]根据本专利技术第一方面的一种能够实现的方式，所述对所述历史运行数据进行预处理，包括：去除所述历史运行数据中的离群点；
去除所述历史运行数据中的非稳态数据；和/或，对所述历史运行数据进行数据标准化处理。
[0007]根据本专利技术第一方面的一种能够实现的方式，所述去除所述历史运行数据中的离群点，包括：计算所述历史运行数据中各数据点的局部密度值和离散度；所述离散度为对应数据点到局部密度更高的最近数据点的距离值；计算数据点的局部密度值和离散度的乘积作为相应数据点的全局代表性指标；当所述全局代表性指标低于预置离群点筛选阈值时，将相应数据点作为离群点进行去除。
[0008]根据本专利技术第一方面的一种能够实现的方式，所述去除所述历史运行数据中的非稳态数据，包括：采用第一预置滑动窗口从所述历史运行数据中截取作为稳态筛选代表的预置重要参数对应的窗口数据，计算截取出的窗口数据的标准差；所述预置重要参数包括机组负荷和主蒸汽流量；若所述标准差小于预置稳态工况筛选阈值，将对应的窗口数据作为非稳态数据进行去除。
[0009]根据本专利技术第一方面的一种能够实现的方式，在所述稀疏LS
‑
SVR模型的训练过程中，所述稀疏LS
‑
SVR模型的最优的核函数下标在给定的核函数下标集合的随机子集中进行搜索；所述随机子集的样本数根据下式进行计算：；式中，表示随机子集的样本数，为模型的相对误差，为所述随机子集的样本数最大值，的取值为所述核函数下标集合的样本数，为所述随机子集的样本数的最小值；其中，所述随机子集的样本数的最小值基于给定的概率值和函数估计值进行计算，若希望以值为的概率获得值为的函数估计，则。
[0010]根据本专利技术第一方面的一种能够实现的方式，所述在所述平均相对误差大于预置模型更新阈值时更新训练样本，包括：在所述平均相对误差大于预置模型更新阈值时，基于第二预置滑动窗口从所述训练样本内截取反映新运行工况的样本数据作为第一新样本数据；从历史的训练样本中筛选预置主要参数对应的历史样本数据；所述预置主要参数包括环境温度和环境风速；计算筛选出的各历史样本数据与对应参数类型的第一新样本数据的距离，将满足预置距离条件的历史样本数据作为第二新样本数据；基于所述第一新样本数据和所述第二新样本数据构建新的训练样本，从而完成训
练样本的更新。
[0011]根据本专利技术第一方面的一种能够实现的方式，所述预置距离条件为：；式中，表示筛选出的第个历史样本数据，为的对应参数类型的第一新样本数据，为预置距离筛选阈值。
[0012]本专利技术第二方面提供一种直接空冷系统的背压预测模型构建装置，包括：第一获取模块，用于获取目标直接空冷系统的目标参数的历史运行数据；所述目标参数包括风机转速、环境温度、环境风速、环境风向、机组负荷、主蒸汽流量、主蒸汽压力、再热温度及大气压力；预处理模块，用于对所述历史运行数据进行预处理，得到预处理后数据；构建模块，用于采用基于字典学习的稀疏LS
‑
SVR算法构建稀疏LS
‑
SVR模型；所述稀疏LS
‑
SVR模型以所述目标参数作为输入变量，并以所述目标直接空冷系统的背压作为输出变量；训练模块，用于从所述预处理后数据中随机抽取部分数据作为训练样本对所述稀疏LS
‑
SVR模型进行训练，得到所述目标直接空冷系统的背压预测模型；计算模块，用于基于所述背压预测模型确定所述训练样本的预测值，并计算所述训练样本的预测值和实际值之间的平均相对误差；更新模块，用于在所述平均相对误差大于预置模型更新阈值时更新训练样本，并基于更新后的训练样本重新进行模型训练，以更新所述背压预测模型。
[0013]根据本专利技术第二方面的一种能够实现的方式，所述预处理模块包括：第一预处理单元，用于去除所述历史运行数据中的离群点；第二预处理单元，用于去除所述历史运行数据中的非稳态数据；和/或，第三预处理单元，用于对所述历史运行数据进行数据标准化处理。
[0014]根据本专利技术第二方面的一种能够实现的方式，所述第一预处理单元具体用于：计算所述历史运行数据中各数据点的局部密度值和离散度；所述离散度为对应数据点到局部密度更高的最近数据点的距离值；计算数据点的局部密度值和离散度的乘积作为相应数据点的全局代表性指标；当所述全局代表性指标低于预置离群点筛选阈值时，将相应数据点作为离群点进行去除。
[0015]根据本专利技术第二方面的一种能够实现的方式，所述第二预处理单元具体用于：本专利技术第二方面提供一种直接空冷系统的背压预测模型构建装置，包括：第一获取模块，用于获取目标直接空冷系统的目标参数的历史运行数据；所述目标参数包括风机转速、环境温度、环境风速本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种直接空冷系统的背压预测模型构建方法，其特征在于，包括：获取目标直接空冷系统的目标参数的历史运行数据；所述目标参数包括风机转速、环境温度、环境风速、环境风向、机组负荷、主蒸汽流量、主蒸汽压力、再热温度及大气压力；对所述历史运行数据进行预处理，得到预处理后数据；采用基于字典学习的稀疏LS
‑
SVR算法构建稀疏LS
‑
SVR模型；所述稀疏LS
‑
SVR模型以所述目标参数作为输入变量，并以所述目标直接空冷系统的背压作为输出变量；从所述预处理后数据中随机抽取部分数据作为训练样本对所述稀疏LS
‑
SVR模型进行训练，得到所述目标直接空冷系统的背压预测模型；基于所述背压预测模型确定所述训练样本的预测值，并计算所述训练样本的预测值和实际值之间的平均相对误差；在所述平均相对误差大于预置模型更新阈值时更新训练样本，并基于更新后的训练样本重新进行模型训练，以更新所述背压预测模型。2.根据权利要求1所述的直接空冷系统的背压预测模型构建方法，其特征在于，所述对所述历史运行数据进行预处理，包括：去除所述历史运行数据中的离群点；去除所述历史运行数据中的非稳态数据；和/或，对所述历史运行数据进行数据标准化处理。3.根据权利要求2所述的直接空冷系统的背压预测模型构建方法，其特征在于，所述去除所述历史运行数据中的离群点，包括：计算所述历史运行数据中各数据点的局部密度值和离散度；所述离散度为对应数据点到局部密度更高的最近数据点的距离值；计算数据点的局部密度值和离散度的乘积作为相应数据点的全局代表性指标；当所述全局代表性指标低于预置离群点筛选阈值时，将相应数据点作为离群点进行去除。4.根据权利要求2所述的直接空冷系统的背压预测模型构建方法，其特征在于，所述去除所述历史运行数据中的非稳态数据，包括：采用第一预置滑动窗口从所述历史运行数据中截取作为稳态筛选代表的预置重要参数对应的窗口数据，计算截取出的窗口数据的标准差；所述预置重要参数包括机组负荷和主蒸汽流量；若所述标准差小于预置稳态工况筛选阈值，将对应的窗口数据作为非稳态数据进行去除。5.根据权利要求1所述的直接空冷系统的背压预测模型构建方法，其特征在于，在所述稀疏LS
‑
SVR模型的训练过程中，所述稀疏LS
‑
SVR模型的最优的核函数下标在给定的核函数下标集合的随机子集中进行搜索；所述随机子集的样本数根据下式进行计算：；式中，表示随机子集的样本数，为模型的相对误差，为所述随机子集的
样本数最大值，的取值为所述核函数下标集合的样本数，为所述随机子集的样本数的最小值；其中，所述随机子集的样本数的最小值基于给定的概率值和函数估计值进行计算，若希望以值为的概率获得值为的函数估计，则。6.根据权利要求1所述的直接空冷系统的背压预测模型构建方法，其特征在于，所述在所述平均相对误差大于预置模型更新阈值时更新训练样本，包括：在所述平均相对误差大于预置模型更新阈值时，基于第二预置滑动窗口从所述训练样本内截取反映新运行工况的样本数据作为第一新样本数据；从历史的训练样本中筛选预置主要参数对应的历史样本数据；所述预置主要参数包括环境温度和环境风速；计算筛选出的...

【专利技术属性】
技术研发人员：罗智凌，丘冠新，黄培专，林桂辉，张勇，侯祖锋，王超，刘行健，严嘉栋，
申请(专利权)人：广东电网有限责任公司珠海供电局，
类型：发明
国别省市：